基于核心向量机的多任务概念漂移数据快速分类
通过协同求解多个概念漂移问题并充分挖掘相关概念漂移问题中蕴含的有效信息,共享矢量链支持向量机(shared vector chain supported vector machines,SVC-SVM)在面向多任务概念漂移分类时表现出良好性能.然而实际应用中的概念漂移问题通常有较大的数据容量,较高的计算代价限制了SVC-SVM方法的推广能力.针对这个弱点,借鉴核心向量机的近线性时间复杂度的优势,提出了适于多任务概念漂移大规模数据的共享矢量链核心向量机(shared vector chain core vector machines,SVC-CVM).SVC-CVM具有渐近线性时间复杂度的算法特点,同时又继承了SVC-SVM方法协同求解多个概念漂移问题带来的良好性能,实验验证了该方法在多任务概念漂移大规模数据集上的有效性和快速性.
多任务、大规模数据集、概念漂移、核心向量机、线性时间复杂度
13
TP181(自动化基础理论)
国家自然科学基金项目61300151;江苏省杰出青年基金项目BK20140001;江苏省高等教育教改研究课题2017JSJG282;江苏省高校自然科学研究项目18KJB520048
2018-11-30(万方平台首次上网日期,不代表论文的发表时间)
共11页
935-945